InternVL-U: Democratizing Unified Multimodal Models for Understanding, Reasoning, Generation and Editing
تقدم الورقة البحثية نموذج InternVL-U، وهو نموذج متعدد الوسائط موحد خفيف الوزن بـ 4 مليارات معلمة، يعمل على إضفاء الطابع الديمقراطي على قدرات الفهم والاستدلال والتوليد والتحرير المتقدمة من خلال توظيف بنية معيارية ومسار لتخليق البيانات يرتكز على الاستدلال، محققاً توازناً فائقاً بين الأداء والكفاءة يتفوق بشكل ملحوظ على النماذج المرجعية الأكبر حجماً مثل BAGEL.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أن لديك مديراً فنياً عبقرياً (يفهم العالم، ويحل الألغاز، ويقرأ التعليمات المعقدة) ورساماً موهوباً (يمكنه إنشاء صور جميلة من العدم).
لفترة طويلة، عمل هذان الاثنان في مكاتب منفصلة. كان المدير الفني يستطيع وصف مشهد بدقة مثالية لكنه لا يستطيع رسمه. وكان الرسام يستطيع رسم أي شيء، لكنه لم يكن يفهم لماذا يرسم أو كيف يتبع المنطق المعقد.
مشروع InternVL-U هو الذي نقلهم أخيراً إلى استوديو مشترك واحد حيث يعملون معاً بسلاسة. والأفضل من ذلك؟ أنهم يفعلون هذا بفريق صغير بشكل مفاجئ (4 مليارات "خلية عصبية" فقط)، ومع ذلك يتفوقون على فرق ضخمة تزيد أحجامهم عنهم بثلاثة أضعاف.
إليك تفصيل بسيط لكيفية قيامهم بذلك:
1. هندسة "السكين السويسري"
معظم المحاولات السابقة لدمج مدير فني ورسام كانت تشبه محاولة إجبار مطرقة على العمل كمفك براغي. إما أنهم حاولوا جعل الفريق بأكمله يقوم بكل شيء بنفس الطريقة (مما جعلهم بطيئين وخرقاء) أو قاموا بمجرد لصق فريقين منفصلين معاً (مما جعل التواصل فوضوياً).
يستخدم InternVL-U تصميماً أكثر ذكاءً:
- العقل (العمود الفقري): هذا الجزء هو المدير الفني. يقرأ نصك، ويفهم المنطق، ويكتشف ما الذي يجب القيام به. إنه بارع في التفكير والاستنتاج، لكنه سيء في الرسم.
- الأيدي (رأس التوليد): هذا رسام متخصص متصل بالعقل. لا يحاول "التفكير" مثل العقل؛ بل يركز فقط على جعل البكسلات تبدو مثالية.
- السر الخفي: يستخدمون نهجاً "منفصلاً". العقل ينظر إلى الصورة ليفهمها (مثل قراءة خريطة)، بينما تنظر الأيدي إلى الصورة لتعيد إنشاءها (مثل رسم خريطة). هم لا يجبرون العقل على القيام بوظيفة الرسام، مما يحافظ على سرعة وكفاءة النظام بأكمله.
2. "طاهي الاستنتاج" (سلسلة الأفكار)
تخيل أنك سألت طاهياً: "اصنع لي كعكة".
- النماذج القديمة: قد يصنعون الكعكة، لكنها قد تكون محترقة، أو بنكهة خاطئة، أو تفتقر إلى الكريمة لأنهم لم يفكروا في التفاصيل.
- InternVL-U: قبل أن يمسك بالمخفقة، يفكر: "حسناً، المستخدم يريد كعكة. أولاً، أحتاج إلى خبز الإسفنج. ثم، أحتاج إلى خلط كريمة الشوكولاتة. وأخيراً، أحتاج إلى كتابة 'عيد ميلاد سعيد' في الأعلى بالكريمة الحمراء".
هذا ما يسمى سلسلة الأفكال (Chain-of-Thought). يقوم النموذج بتفكيك طلبك الغامض إلى وصفة خطوة بخطوة قبل أن يبدأ في إنشاء الصورة. وهذا هو سبب براعته في:
- كتابة النصوص داخل الصور: هو لا يكتفي بخربشة الحروف فحسب؛ بل يفهم المسافات، والخطوط، والقواعد اللغوية.
- العلوم والرياضيات: إذا طلبت منه رسم مخطط فيزيائي، فإنه يحسب القوى أولاً، ثم يرسم الأسهم بشكل صحيح.
- الألغاز المنطقية: إذا طلدت منه إصلاح لغز سودوكو في صورة، فإنه يحل الرياضيات قبل ملء الأرقام.
3. "المدرسة الخارقة" للتدريب
لجعل هذا الفريق يعمل، لم يكتفِ الباحثون بعرض صور عشوائية للقطط والكلاب عليهم. بل بنوا منهجاً تدريبياً متخصصاً:
- "فصل النصوص": تدربوا على كتابة الكلمات على اللافتات، وقوائم الطعام، والسبورات حتى أتقنوها تماماً.
- "فصل العلوم": تعلموا رسم الجزيئات الكيميائية، والأشكال الهندسية، ومخططات أكواد الكمبيوتر بدقة.
- "فصل الميمز (Memes)": تعلموا فهم الفكاهة، والسخرية، وكيفية إضافة تعليقات مضحكة على الصور.
- "فصل المنطق": تدربوا على تعديل الصور بناءً على قواعد صارمة (مثلاً: "قم بتدوير هذا الجسم 90 درجة ولكن حافظ على الخلفية كما هي تماماً").
4. النتيجة: قوة كبيرة، حجم صغير
أكثر ما يثير الإعجاب في InternVL-U هو كفاءته.
- المنافسون: العديد من النماذج "الموحدة" الأخرى تشبه السفن السياحية العملاقة. إنها ضخمة (أكثر من 14 مليار معلمة/parameter)، ومكلفة للتشغيل، وأحياناً تعاني في اتباع التعليمات البسيطة.
- InternVL-U: إنه يشبه قارب السرعة العالي. إنه صغير جداً (4 مليارات معلمة فقط) ولكنه أسرع، وأرخص في التشغيل، وفي الواقع أفضل في اتباع التعليمات من السفن العملاقة.
باختصار:
InternVL-U هو ذكاء اصطناعي خفيف الوزن وذكي، لا يكتفي فقط بـ "تخمين" كيف يجب أن تبدو الصورة. بل يفكر في الطلب، ويخطط للخطوات، ثم ينفذ عملية الإنشاء بدقة العالم وإبداع الفنان. إنه يثبت أنك لا تحتاج إلى عقل ضخم لتكون عبقرياً؛ بل تحتاج فقط إلى الطريقة الصحيحة في التفكير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.